[发明专利]用于检测表格的方法和装置

说明书

本申请实施例公开了用于检测表格的方法和装置。该方法的一具体实施方式包括：将待检测表格图像输入预先训练的单元格检测模型，得到至少一个单元格信息，其中，单元格信息包括单元格区域，单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系；将待检测表格图像输入预先训练的表格检测模型，得到至少一个表格区域，表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系；根据至少一个表格区域和至少一个单元格信息，确定至少一个单元格信息中的单元格区域所属的表格区域；对于至少一个表格区域中的每个表格区域，执行以下空间结构信息确定操作。该实施方式实现了表格检测的准确率。

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于检测表格的方法和装置。

背景技术

目前检测图像中的表格结构数据主要有检测直线法和文字投影法。检测直线法包括：第一步，识别表格图像中的水平垂直直线；第二步，通过直线构成的连通区域来确定表格区域，并根据水平垂直直线的相交点进行单元格的结构切分，从而获得表格结构；第三步，定位文字；第四步，识别文字内容。文字投影法通过深度学习模型识别表格区域，然后对表格区域内文字进行识别，对每个文字区域做水平和垂直投影来抽取表格结构。

发明内容

本申请实施例提出了用于检测表格的方法和装置。

第一方面，本申请实施例提供了一种用于检测表格的方法，该方法包括：将待检测表格图像输入预先训练的单元格检测模型，得到至少一个单元格信息，其中，单元格信息包括单元格区域，单元格检测模型用于表征表格图像和表格图像中单元格的单元格信息之间的对应关系；将待检测表格图像输入预先训练的表格检测模型，得到至少一个表格区域，表格检测模型用于表征表格图像和表格图像中表格的表格区域之间的对应关系；根据至少一个表格区域和至少一个单元格信息，确定至少一个单元格信息中的单元格区域所属的表格区域；对于至少一个表格区域中的每个表格区域，执行以下空间结构信息确定操作：对该表格区域进行光学字符识别，得到与该表格区域对应的字符识别结果；对于该表格区域所包括的每个单元格区域，根据与该表格区域对应的字符识别结果，确定该单元格区域所包括的字符识别结果；以及根据该表格区域所包括的单元格区域，确定该表格区域的空间结构信息。

在一些实施例中，单元格检测模型是通过如下训练步骤预先训练得到的：确定初始单元格检测模型的模型结构以及初始化初始单元格检测模型的模型参数；确定训练样本集，其中，训练样本包括样本表格图像和用于表征样本表格图像内的至少一个单元格的标注单元格信息；将训练样本集中的训练样本中的样本表格图像和标注单元格信息分别作为初始单元格检测模型的输入和期望输出，利用机器学习方法训练初始单元格检测模型；将训练得到的初始单元格检测模型确定为预先训练的单元格检测模型。

在一些实施例中，确定训练样本集，包括：确定至少一个样本表格中每个样本表格的表格区域以及该样本表格所包括的单元格的单元格信息和文本信息；对于至少一个样本表格中的每个样本表格，根据该表格的表格区域和所包括的单元格的单元格信息和文本信息，生成与该样本表格对应的表格图像；将至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息。

在一些实施例中，在将至少一个样本表格中每个样本表格对应的表格图像和该样本表格所包括的单元格的单元格信息分别确定为训练样本集中的样本表格图像和标注单元格信息之前，确定训练样本集还包括：对于至少一个样本表格中的每个样本表格，在与该样本表格对应的表格图像中添加噪声。

在一些实施例中，在对于至少一个表格区域中的每个表格区域，执行以下空间结构信息确定操作之前，该方法还包括：对于至少一个表格区域中的每个表格区域，执行以下第一重叠单元格删除操作：当该表格区域所包括的两个单元格区域的交集面积除以并集面积的比值大于第一预设比值阈值时，将两个单元格区域中面积较小的单元格区域删除。